Combining Deep Learning and Transformations for Seismic Data Processing

Under seismisk innsamling registreres reflekterte bølger fra undergrunnen av sensorer i seismiske kabler i vannsøylen. De målte dataene i disse sensorene brukes til å lage bilder og finne egenskapene til de undersjøiske bergartene. For å oppnå et rent bilde av undergrunnen, fjerner avansert signalprosess uønsket energi, slik som bølgestøy fra havoverflaten, bakgrunnsstøy, støy fra andre seismiske undersøkelser, vannoverflateekko (såkalte ghoster) og bølger som spretter opp og ned (såkalte multipler). I tillegg må vi korrigere for effekten av kildebølgen og forvrengningene av signalet i sensorene. Ph.D. kandidat, Jing Sun, har brukt maskinlæring i form av Dype Neurale Netverk (DNN) og en rekke «supervised» treningssekvenser for å løse noen av de grunnleggende problemene i signalbehandling. Fokuset i Jings forskning har vært på to emner. Den første er fjerning av støy fra andre seismiske undersøkelser, såkalt Seismic Interference (SI). Det andre emnet er såkalt deblending som har blitt et alvorlig problem i moderne seismikkinnsamling og prosessering ettersom skytehastigheten har økt for å forbedre effektiviteten. Tidligere var skytefrekvensen typisk 5-8 sekunder, mens nå kan skytehastigheten være nede i 2,5 til 3 sekunder, noe som betyr at det reflekterte signalet fra forrige skudd fortsatt registreres når det nye skuddet avfyres. I hennes Ph.D. arbeid, har Jing trent nettverkene på flere måter. Hovedproblemet er å etablere rene, uforurensede skudd som mål for treningen. Til dette har hun brukt både rene skudd i enden av seillinjene, rene skudd fra konvensjonell deblending og den rene delen av skuddet samler seg før neste skudd. Hun har også gjort noen banebrytende eksperimenter i hvordan man bruker støy i treningsprosessen. Arbeidet Jing har gjort har ført til en forbedret resultat for SI-fjerning i to kommersielle prosjekter (se artikkel 3), pluss en patentsøknad der Jing er andreforfatter. Jing skulle levert oppgaven sin i desember 2022, men har jobbet veldig hardt og leverte Ph.D. avhandlingen til Universitetet i Oslo (UiO) allerede i oktober 2022. UiO godkjente den og sendte den til bedømmelseskomiteen som består av ekstern opponent Dr. Aina Juell Bugge fra Lundin energi Norge, professor Johan Robertson fra ETH Zürich og intern UiO opponent professor Jan Inge Faleide. I desember 2022 godkjente bedømmelseskomiteen avhandlingen. Dato for Jings forsvar av avhandlingen er sett til 28 januar 2022. Kjernen i Jings Ph.D. avhandlingen består av fire artikler: Paper 1: Attenuation of marine seismic interference noise employing a customized U-Net, by Jing Sun, Sigmund Slang, Thomas Elboth, Thomas Larsen Greiner, Steven McDonald and Leiv Jacob Gelius, published in Geophysical Prospecting, 2020, 68, no. 3, 845-871. Paper 2: An exploratory study toward demystifying deep learning in seismic signal separation, by Jing Sun and Song Hou, (submitted to Geophysics in October 2022) Paper 3: DNN-based workflow for attenuating seismic interference noise and its application to marine towed streamer data from the North Sea, by Jing Sun, Song Hou, and Alaa Triki. (submitted to Geophysics in November 2022) Paper 4: Deep learning-based shot-domain seismic deblending, by Jing Sun, Song Hou, Vetle Vinje, Gordon Poole and Leiv Jacob Gelius, submitted to Geophysics 30th November 2020 (accepted for publication in Geophysics)

Arbeidet Jing har gjort har ført til en forbedret resultat for fjerning av esktern støy (SI) i to kommersielle prosjekter (se artikkel 3), pluss en patentsøknad der Jing er andreforfatter.

Easier access to affordable and powerful hardware (CPU and GPU) solutions together with user-friendly open-source software such as TensorFlow, has been the key to the accelerated use of machine learning within various areas of technology. In seismic data processing, artificial neural networks (ANNs) have the potential to be applied to many of the key processing steps (deblending, seismic interference attenuation, deghosting, etc.) which today involve significant testing time and computational power. Once trained, ANNs are computationally very light and potentially adaptable to different datasets. Sorting the data from common source domain to another by using mathematical transformation such as Wavelet transform or Shearlet transform may make the target signals and noise have more differences in characteristics. Their use could, therefore, save processing time and, in the long term, impact the whole business sector. The proposed doctoral work is about the usage of ANNs and transformations for processing of marine seismic data. The goal is to achieve similar or better quality results compared to conventional processing methods. If this is achieved, deep learning-based methods can save significant computer resources and time.